商品參數
書名:深度學習
作者:[美]IanGoodfellow(伊恩·古德費洛)
ISBN:9787115461476
齣版社:人民郵電齣版社
齣版時間:2017年8月
印刷時間:2017年8月
字數:字
頁數:500頁
開本:16開
包裝:平裝
重量:g
定價:168元
編輯
AI聖經!深度學習領域奠基性的經典書!長期位居美國**遜AI和機器學習類圖書!所有數據科學傢和機器學習從業者的bi讀圖書!特斯拉CEO埃隆·馬斯剋等國內外眾多專**薦!中文版由北京大學數學科學學院統計學教授張誌華審校。
深度學習是機器學習的一個分支,它能夠使計算機通過層次概念來學習經驗和理解世界。因為計算機能夠從經驗中獲取知識,所以不需要人類來形式化地定義計算機需要的所有知識。層次概念允許計算機通過構造簡單的概念來學習復雜的概念,而這些分層的圖結構將具有很深的層次。本書會介紹深度學習領域的許多主題。
本書囊括瞭數學及相關概念的背景知識,包括綫性代數、概率論、信息論、數值優化以及機器學習中的相關內容。同時,它還介紹瞭工業界中實踐者用到的深度學習技術,包括深度前饋網絡、正則化、優化算法、捲積網絡、序列建模和實踐方法等,並且調研瞭諸如自然語言處理、語音識彆、計算機視覺、在綫、生物信息學以及視頻遊戲方麵的應用。*後,本書還提供瞭一些研究方嚮,涵蓋的理論主題包括綫性因子模型、自編碼器、錶示學習、結構化概率模型、濛特卡羅方法、配分函數、近似推斷以及深度生成模型。
封麵特色:由藝術傢DanielAmbrosi提供的**公園杜鵑花步道夢幻景觀。在Ambrosi的億級像素全景圖上,應用JosephSmarr(Google)和ChirsLamb(NVIA)修改後的GoogleDeepDream開源程序,創造瞭DanielAmbrosi的“幻景”。
內容簡介
《深度學習》由知名的三位專傢IanGoodfellow、YoshuaBengio和AaronCourville撰寫,是深度學習領域奠基性的經典教材。全書的內容包括3個部分:第1部分介紹基本的數學工具和機器學習的概念,它們是深度學習的預備知識;第2部分深入地講解現今已成熟的深度學習方法和技術;第3部分討論某些具有前瞻性的方嚮和想法,它們被公認為是深度學習未來的研究**。
《深度學習》適閤各類讀者閱讀,包括相關的大學生或研究生,以及不具有機器學習或統計背景、但是想要快速補充深度學習知識,以便在實際産品或平颱中應用的軟件工程師。
目錄
第1章引言..............................................................................1
1.1本書麵嚮的讀者...................................................................7
1.2深度學習的曆史趨勢..............................................................8
1.2.1神經網絡的眾多名稱和命運變遷................................................8
1.2.2與日俱增的數據量............................................................12
1.2.3與日俱增的模型規模..........................................................13
1.2.4與日俱增的精度、復雜度和對現實世界的衝擊...................................15
第1部分應用數學與機器學習基礎
第2章綫性代數........................................................................19
2.1標量、嚮量、矩陣和張量.........................................................19
2.2矩陣和嚮量相乘..................................................................21
2.3單位矩陣和逆矩陣...............................................................22
2.4綫性相關和生成子空間..........................................................23
2.5範數..............................................................................24
2.6特殊類型的矩陣和嚮量..........................................................25
2.7特徵分解.........................................................................26
2.8奇異值分解......................................................................28
2.9Moore-Penrose僞逆..............................................................28
2.10跡運算..........................................................................29
2.11行列式..........................................................................30
2.12實例:主成分分析...............................................................30
第3章概率與信息論....................................................................34
3.1為什麼要使用概率...............................................................34
3.2隨機變量.........................................................................35
3.3概率分布.........................................................................36
3.3.1離散型變量和概率質量函數...................................................36
3.3.2連續型變量和概率密度函數...................................................36
3.4邊緣概率.........................................................................37
3.5條件概率.........................................................................37
3.6條件概率的鏈式法則.............................................................38
3.7**性和條件**性.............................................................38
3.8期望、方差和協方差.............................................................38
3.9常用概率分布....................................................................39
3.9.1Bernoulli分布...............................................................40
3.9.2Multinoulli分布.............................................................40
3.9.3高斯分布....................................................................40
3.9.4指數分布和Laplace分布.....................................................41
3.9.5rac分布和經驗分布........................................................42
3.9.6分布的混閤..................................................................42
3.10常用函數的有用性質............................................................43
3.11貝葉斯規則.....................................................................45
3.12連續型變量的技術細節.........................................................45
3.13信息論..........................................................................47
3.14結構化概率模型................................................................49
第4章數值計算........................................................................52
4.1上溢和下溢......................................................................52
4.2病態條件.........................................................................53
4.3基於梯度的優化方法.............................................................53
4.3.1梯度之上:Jacobian和Hessian矩陣...........................................56
4.4約束優化.........................................................................60
4.5實例:綫性*小二乘.............................................................61
第5章機器學習基礎....................................................................63
5.1學習算法.........................................................................63
5.1.1任務T.....................................................................63
5.1.2性能度量P..................................................................66
5.1.3經驗E......................................................................66
5.1.4示例:綫性迴歸..............................................................68
5.2容量、過擬閤和欠擬閤...........................................................70
5.2.1沒有午餐定理............................................................73
5.2.2正則化......................................................................74
5.3超參數和驗證集..................................................................76
5.3.1交叉驗證....................................................................76
5.4估計、偏差和方差................................................................77
5.4.1點估計......................................................................77
5.4.2偏差........................................................................78
5.4.3方差和標準差................................................................80
5.4.4權衡偏差和方差以*小化均方誤差.............................................81
5.4.5一緻性......................................................................82
5.5*大似然估計....................................................................82
5.5.1條件對數似然和均方誤差......................................................84
5.5.2*大似然的性質..............................................................84
5.6貝葉斯統計......................................................................85
5.6.1*大後驗(MAP)估計........................................................87
5.7監督學習算法....................................................................88
5.7.1概率監督學習................................................................88
5.7.2支持嚮量機..................................................................88
5.7.3其他簡單的監督學習算法......................................................90
5.8無監督學習算法..................................................................91
5.8.1主成分分析..................................................................92
5.8.2k-均值聚類...................................................................94
5.9隨機梯度下降....................................................................94
5.10構建機器學習算法..............................................................96
5.11促使深度學習發展的挑戰.......................................................96
5.11.1維數災難...................................................................97
5.11.2局部不變性和平滑正則化....................................................97
5.11.3流形學習...................................................................99
第2部分深度網絡:現代實踐
第6章深度前饋網絡..................................................................105
6.1實例:學習XOR................................................................107
6.2基於梯度的學習................................................................110
6.2.1代價函數........................
真好書!
評分很好
評分很好
評分很好
評分很好
評分很好
評分很好
評分真好書!
評分真好書!
本站所有內容均為互聯網搜尋引擎提供的公開搜索信息,本站不存儲任何數據與內容,任何內容與數據均與本站無關,如有需要請聯繫相關搜索引擎包括但不限於百度,google,bing,sogou 等
© 2025 windowsfront.com All Rights Reserved. 靜流書站 版權所有